[논문 리뷰] Optimal adaptive two-stage designs for single-arm trial with binary endpoint

Kevin Kunzmann, Meinhard Kieser|arXiv (Cornell University)|2016. 05. 01.

Statistical Methods in Clinical Trials참고 문헌 1인용 수 3

한 줄 요약

이 논문은 이진 종속변수를 가진 단일군집 임상시험을 위한 최적의 적응형 이단계 설계를 정수선형계획법(정수형 선형 프로그래밍)으로 공식화하여, 제한적인 기술적 제약 없이 귀무가설 하에서 기대 표본 크기를 최소화하는 정확한 계산을 가능하게 한다. 이는 이전 설계에서 발생하던 병리적 현상(예: 표본 크기 함수의 비단조화성)을 해결하면서도 거의 최적의 효율성을 유지하며, 고급 정수프로그래밍 기법을 통해 해석 가능성과 실용성 확보를 달성한다.

ABSTRACT

Minimizing the number of patients exposed to potentially harmful drugs in early onco logical trials is a major concern during planning. Adaptive designs account for the inherent uncertainty about the true effect size by determining the final sample size within an ongoing trial after an interim look at the data. We formulate the problem of finding adaptive designs which minimize expected sample size under the null hypothesis for single-arm trials with binary outcome as an integer linear program. This representation can be used to identify optimal adaptive designs which improve previous designs in two ways: Firstly, designs can be found exhibiting lower expected sample size under the null hypothesis than those provided by previous algorithms. Secondly, we explain how integer programming techniques can be exploited to remove pathologies of the optimal and previous solutions arising from the discrete nature of the underlying statistics. The resulting designs are both efficient in terms of expected sample size under the null hypothesis and well interpretable.

연구 동기 및 목표

• 이진 종속변수를 가진 단일군집 임상시험을 위한 적응형 이단계 설계를 개발하여, 귀무가설 하에서 기대 표본 크기를 최소화한다.
• 계산 가능성을 확보하기 위해 제한적인 기술적 제약 조건을 필요로 하는 이전 알고리즘의 한계를 극복한다.
• 이산적인 이항분포의 성격으로 인해 발생하는 표본 크기 함수의 병리적 현상(예: 비단조화성)을 해결한다.
• 비단조화성과 같은 구조적 제약 조건(예: 단모양 표본 크기 함수, 연속된 정지 영역)을 도입하여 최적 설계의 해석 가능성과 실용적 적용성을 향상시킨다.
• 최적성의 손실 없이 표준화되고 고성능인 정수프로그래밍 솔버를 활용해 효율적인 계산을 가능하게 한다.

제안 방법

• 결정 규칙 및 표본 크기 함수를 이산 변수로 표현함으로써 설계 최적화 문제를 정수선형계획법(ILP)으로 공식화한다.
• 조건부 오차 함수 원리를 활용해 중간 분석 이후의 표본 크기 조정이 가능하도록 하면서도 유의수준 제어를 유지한다.
• 병리적 해를 제거하기 위해 ILP 프레임워크 내에서 추가 제약 조건(예: 단모양 표본 크기 함수, 연속된 정지 영역)을 도입한다.
• 상용 수준의 정수프로그래밍 솔버를 활용해 최적 해를 효율적으로 계산함으로써 느린 브랜치 앤 바운드 구현 방식을 피한다.
• 기대 표본 크기의 사전 분포 하에서 최소화하거나 최대 표본 크기의 큰 값을 처벌하는 등의 목표 함수를 커스터마이징할 수 있다.
• 기존 방법(예: Englert와 Kieser, 2013)과의 비교를 통해 해를 검증하여, 성능 손실가 최소화되면서도 구조적 성질이 향상됨을 입증한다.

실험 결과

연구 질문

• RQ1 제한적인 기술적 제약 조건 없이도 단일군집 이진 임상시험을 위한 최적의 적응형 이단계 설계를 정확히 계산할 수 있는가?
• RQ2 이산 분포의 성격으로 인해 최적 설계에서 발생하는 병리적 표본 크기 함수(예: 비단조화성)는 어떻게 발생하며, 이를 제거할 수 있는가?
• RQ3 예를 들어 표본 크기 함수의 단모양성 등의 구조적 제약 조건을 도입할 경우, 제약이 없는 최적 설계 대비 귀무가설 하에서 기대 표본 크기에 어떤 영향을 미치는가?
• RQ4 정수프로그래밍 기법을 활용해 통계적 효율성과 임상적 해석 가능성 모두를 확보한 최적 설계를 효율적으로 계산할 수 있는가?
• RQ5 조건부 오차 함수의 단조성 제약 조건은 필수적인가, 아니면 효율성에 큰 손실 없이 완화할 수 있는가?

주요 결과

• 제안된 ILP 공식화는 추가적인 기술적 제약 조건 없이 최적의 적응형 이단계 설계를 정확히 계산할 수 있게 하여 진정한 최적성을 달성한다.
• 단모양 표본 크기 함수 등의 '좋은 성질' 제약 조건을 도입할 경우 귀무가설 하에서 기대 표본 크기의 성능 손실은 극히 미미하며, 일반적으로 1% 미만이어서 이전 연구에서 단조성 제약 조건이 불필요하게 엄격한 것은 아님을 시사한다.
• 최적 설계는 잘 조율된 표본 크기 함수를 보이며, 기대치 못한 점프(예: 감소 후 증가)를 피함으로써 임상적 해석 가능성과 수용도를 향상시킨다.
• 상용 수준의 정수프로그래밍 솔버를 통해 빠른 계산이 가능하여, 속도와 확장성 측면에서 단순한 브랜치 앤 바운드 접근 방식보다 뛰어난 성능을 보인다.
• 이 프레임워크는 확장 가능하다: 추가 제약 조건(예: 최소 조건부 능력)이나 대안 목표 함수(예: 표본 크기의 고차수 모멘트 최소화)를 쉽게 통합할 수 있다.
• ρ₀=0.5, ρ₁=0.7, α=0.05, β=0.1 인 경우, 최적 설계는 13건의 반응이 있을 경우 2단계에서 47명의 환자를 필요로 하며, 14건일 경우 44명, 15건일 경우 47명을 필요로 한다—이는 이전 설계에서 관찰된 비단조화성은 이산 최적화의 결과로 해결 가능한 문제임을 확인한다.